SEGMENTATION

CLIENT - RFM

import pandas as pd
import numpy as np
import plotly.express as px
import plotly.graph_objects as go
from datetime import datetime

import warnings
warnings.filterwarnings('ignore')

IMPORTATION ET DESCRIPTION DES DONNEES

Le dataset utilisé ici est contsitué des données de vente d'un magasin de fashion ; Il contient environ 6,5M de lignes et 19 colonnes.(source: kaggle.com)

path = r"C:\Users\NOGO G$\Desktop\ISJ\ISJ_perso\Projet\Global_fashion_Analysis\Fashion_data\ventes.csv"

df = pd.read_csv (path)

df.shape

(6416827, 19)

# mise en forme des noms de colonnes 
df.columns = df.columns.str.strip().str.lower().str.replace(' ', '_')

df.columns

Index(['invoice_id', 'line', 'customer_id', 'product_id', 'size', 'color',
       'unit_price', 'quantity', 'date', 'discount', 'line_total', 'store_id',
       'employee_id', 'currency', 'currency_symbol', 'sku', 'transaction_type',
       'payment_method', 'invoice_total'],
      dtype='object')

colonnes_utiles = [
    'invoice_id', 'customer_id', 'date', 'unit_price', 'quantity', 
    'discount', 'line_total', 'invoice_total', 'payment_method'
]
df = df[colonnes_utiles]

Pour la suite de mon analyse Je vais simuler une colonne age et age_bin pour enrichir nos données

"""
Génération des âges avec une distribution normale, centrée autour de 42 ans et 
écart-type de 10 pour avoir une distribution réaliste
"""
df['age'] = np.random.normal(loc=42, scale=10, size=df.shape[0])
df['age'] = df['age'].clip(18, 75).astype(int)

# Création des catégories (bins)
bins = [17, 25, 35, 45, 55, 65, 100]
labels = ['18-25 ans', '26-35 ans', '36-45 ans', '46-55 ans', '56-65 ans', '+66 ans']

df['age_bin'] = pd.cut(df['age'], bins=bins, labels=labels)

df.head()

	invoice_id	customer_id	date	unit_price	quantity	discount	line_total	invoice_total	payment_method	age	age_bin
0	INV-US-001-03558761	47162	2023-01-01 15:42:00	80.5	1	0.0	80.5	126.7	Cash	47	46-55 ans
1	INV-US-001-03558761	47162	2023-01-01 15:42:00	31.5	1	0.4	18.9	126.7	Cash	47	46-55 ans
2	INV-US-001-03558761	47162	2023-01-01 15:42:00	45.5	1	0.4	27.3	126.7	Cash	20	18-25 ans
3	INV-US-001-03558762	10142	2023-01-01 20:04:00	70.0	1	0.4	42.0	77.0	Cash	63	56-65 ans
4	INV-US-001-03558762	10142	2023-01-01 20:04:00	26.0	1	0.0	26.0	77.0	Cash	50	46-55 ans

df.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 6416827 entries, 0 to 6416826
Data columns (total 11 columns):
 #   Column          Dtype   
---  ------          -----   
 0   invoice_id      object  
 1   customer_id     int64   
 2   date            object  
 3   unit_price      float64 
 4   quantity        int64   
 5   discount        float64 
 6   line_total      float64 
 7   invoice_total   float64 
 8   payment_method  object  
 9   age             int64   
 10  age_bin         category
dtypes: category(1), float64(4), int64(3), object(3)
memory usage: 495.7+ MB

#Petit cadeau : 2 alternatives au describe pour les statistiques des colonnes 😁👌

from skimpy import skim
#from summarytools import dfSummary
from IPython.core.display import display, HTML

print("Résumé rapide avec skimpy :")
skim(df)

Résumé rapide avec skimpy :

╭──────────────────────────────────────────────── skimpy summary ─────────────────────────────────────────────────╮
│          Data Summary                 Data Types               Categories                                       │
│ ┏━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━┓ ┏━━━━━━━━━━━━━┳━━━━━━━┓ ┏━━━━━━━━━━━━━━━━━━━━━━━┓                               │
│ ┃ Dataframe         ┃ Values  ┃ ┃ Column Type ┃ Count ┃ ┃ Categorical Variables ┃                               │
│ ┡━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━┩ ┡━━━━━━━━━━━━━╇━━━━━━━┩ ┡━━━━━━━━━━━━━━━━━━━━━━━┩                               │
│ │ Number of rows    │ 6416827 │ │ float64     │ 4     │ │ age_bin               │                               │
│ │ Number of columns │ 11      │ │ string      │ 3     │ └───────────────────────┘                               │
│ └───────────────────┴─────────┘ │ int64       │ 3     │                                                         │
│                                 │ category    │ 1     │                                                         │
│                                 └─────────────┴───────┘                                                         │
│                                                     number                                                      │
│ ┏━━━━━━━━━━━━━━━━━┳━━━━━┳━━━━━━━┳━━━━━━━━━┳━━━━━━━━━┳━━━━━━━━┳━━━━━━━━━┳━━━━━━━━┳━━━━━━━━━┳━━━━━━━━━┳━━━━━━━━┓  │
│ ┃ column          ┃ NA  ┃ NA %  ┃ mean    ┃ sd      ┃ p0     ┃ p25     ┃ p50    ┃ p75     ┃ p100    ┃ hist   ┃  │
│ ┡━━━━━━━━━━━━━━━━━╇━━━━━╇━━━━━━━╇━━━━━━━━━╇━━━━━━━━━╇━━━━━━━━╇━━━━━━━━━╇━━━━━━━━╇━━━━━━━━━╇━━━━━━━━━╇━━━━━━━━┩  │
│ │ customer_id     │   0 │     0 │  732600 │  487500 │      1 │  294500 │ 676500 │ 1139000 │ 1643000 │ ▇▆▆▅▅▅ │  │
│ │ unit_price      │   0 │     0 │   132.5 │   185.1 │      2 │    32.5 │     51 │   116.5 │    1154 │  ▇▁▁   │  │
│ │ quantity        │   0 │     0 │     1.1 │  0.3964 │      1 │       1 │      1 │       1 │       3 │   ▇    │  │
│ │ discount        │   0 │     0 │  0.1191 │   0.199 │      0 │       0 │      0 │    0.25 │     0.6 │ ▇   ▁▂ │  │
│ │ line_total      │   0 │     0 │   114.2 │   211.6 │  -3348 │   24.75 │   43.5 │     109 │    3460 │    ▇▅  │  │
│ │ invoice_total   │   0 │     0 │   243.5 │   536.7 │  -6750 │   34.02 │   83.5 │     241 │    8977 │    ▇   │  │
│ │ age             │   0 │     0 │   41.53 │   9.917 │     18 │      35 │     41 │      48 │      75 │ ▂▅▇▅▂  │  │
│ └─────────────────┴─────┴───────┴─────────┴─────────┴────────┴─────────┴────────┴─────────┴─────────┴────────┘  │
│                                                    category                                                     │
│ ┏━━━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━┳━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━━━━━━━━┓  │
│ ┃ column                   ┃ NA         ┃ NA %             ┃ ordered                  ┃ unique               ┃  │
│ ┡━━━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━╇━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━━━━━━━━┩  │
│ │ age_bin                  │          0 │                0 │ True                     │                    6 │  │
│ └──────────────────────────┴────────────┴──────────────────┴──────────────────────────┴──────────────────────┘  │
│                                                     string                                                      │
│ ┏━━━━━━━━━━━┳━━━━┳━━━━━━┳━━━━━━━━━━━┳━━━━━━━━━━━┳━━━━━━━━━━━┳━━━━━━━━━━━┳━━━━━━━━━━━┳━━━━━━━━━━━┳━━━━━━━━━━━━┓  │
│ ┃           ┃    ┃      ┃           ┃           ┃           ┃           ┃ chars per ┃ words per ┃ total      ┃  │
│ ┃ column    ┃ NA ┃ NA % ┃ shortest  ┃ longest   ┃ min       ┃ max       ┃ row       ┃ row       ┃ words      ┃  │
│ ┡━━━━━━━━━━━╇━━━━╇━━━━━━╇━━━━━━━━━━━╇━━━━━━━━━━━╇━━━━━━━━━━━╇━━━━━━━━━━━╇━━━━━━━━━━━╇━━━━━━━━━━━╇━━━━━━━━━━━━┩  │
│ │ invoice_i │  0 │    0 │ INV-US-00 │ INV-US-00 │ INV-CN-00 │ RET-US-00 │        19 │         1 │    6416827 │  │
│ │ d         │    │      │ 1-0355876 │ 1-0355876 │ 6-0286499 │ 5-0436404 │           │           │            │  │
│ │           │    │      │ 1         │ 1         │ 7         │ 3         │           │           │            │  │
│ │ date      │  0 │    0 │ 2023-01-0 │ 2023-01-0 │ 2023-01-0 │ 2025-03-1 │        19 │         2 │   12833654 │  │
│ │           │    │      │ 1         │ 1         │ 1         │ 8         │           │           │            │  │
│ │           │    │      │ 15:42:00  │ 15:42:00  │ 00:00:00  │ 20:59:00  │           │           │            │  │
│ │ payment_m │  0 │    0 │ Cash      │ Credit    │ Cash      │ Credit    │       9.6 │       1.8 │   11552125 │  │
│ │ ethod     │    │      │           │ Card      │           │ Card      │           │           │            │  │
│ └───────────┴────┴──────┴───────────┴───────────┴───────────┴───────────┴───────────┴───────────┴────────────┘  │
╰────────────────────────────────────────────────────── End ──────────────────────────────────────────────────────╯

print( "Nous avons {} clients dans notre base".format(df["customer_id"].nunique()))

Nous avons 1283707 clients dans notre base

#Vérification des valeurs manquantes
df.isnull().sum()

invoice_id        0
customer_id       0
date              0
unit_price        0
quantity          0
discount          0
line_total        0
invoice_total     0
payment_method    0
age               0
age_bin           0
dtype: int64

ANALYSE EXPLORATOIRE

# Aggrégation du nombre de clients et du chiffre d'afffaire par tranches d'age

age_stats = df.groupby('age_bin').agg({
    'customer_id': pd.Series.nunique,  
    'invoice_total': 'sum'            
}).reset_index().rename(columns={
    'customer_id': 'nb_clients',
    'invoice_total': 'total_ventes'
})

age_stats

	age_bin	nb_clients	total_ventes
0	18-25 ans	287995	8.556600e+07
1	26-35 ans	748610	3.429937e+08
2	36-45 ans	967061	5.950279e+08
3	46-55 ans	822339	4.124883e+08
4	56-65 ans	360588	1.136672e+08
5	+66 ans	50952	1.292532e+07

import plotly.io as pio
pio.templates.default = "plotly_dark"

fig_clients = px.bar(
    age_stats,
    x='age_bin',
    y='nb_clients',
    title='Nombre de clients uniques par tranche d’âge :',
    labels={'nb_clients': 'Nombre de clients', 'age_bin': 'Tranche d’âge'},
    text='nb_clients'
)

pip install -U kaleido

Defaulting to user installation because normal site-packages is not writeable
Requirement already up-to-date: kaleido in c:\users\nogo g$\appdata\roaming\python\python39\site-packages (0.2.1)
Note: you may need to restart the kernel to use updated packages.

WARNING: You are using pip version 20.2.3; however, version 25.1.1 is available.
You should consider upgrading via the 'c:\program files\python39\python.exe -m pip install --upgrade pip' command.

fig_clients.update_traces(textposition='outside')
fig_clients.write_image("clients.png") 
fig_clients.show()

fig_ventes = px.bar(
    age_stats,
    x='age_bin',
    y='total_ventes',
    title='CA par tranche d’âge :',
    labels={'total_ventes': 'Montant total (€)', 'age_bin': 'Tranche d’âge'},
    text='total_ventes'
)

fig_ventes.update_traces(texttemplate='%{text:.2s} €', textposition='outside')
fig_ventes.show()

fig_ventes.write_image("fig_ventes.png") 

# Répartition par moyen de payement 

payement_stats = df.groupby('payment_method').agg({
    'customer_id': pd.Series.nunique,  # nombre de clients distincts
    'invoice_total': 'sum'             # total des ventes
}).reset_index().rename(columns={
    'customer_id': 'nb_clients',
    'invoice_total': 'montant_Total'
})

payement_stats

	payment_method	nb_clients	montant_Total
0	Cash	597270	3.108976e+08
1	Credit Card	1203441	1.251771e+09

from plotly.subplots import make_subplots


payement_method_pie_1 = px.pie(
    payement_stats,  
    names='payment_method',  
    values='montant_Total',  
    title='Répartition des montants par méthode de payement',
    labels={'montant_Total': 'Montant (€)', 'payment_method': 'méthtode de payement'},
)


payement_method_pie_2 = px.pie(
    payement_stats,
    names='payment_method',  
    values='nb_clients',  
    title='Répartition des clients par méthode de payement',
    labels={'nb_clients': 'Montant (€)', 'payment_method': 'méthtode de payement'},
)


# Créer un subplot avec 1 ligne et 2 colonnes
fig = make_subplots(rows=1, cols=2, subplot_titles=('Nombre de clients', 'Montant (€)'),
                    specs=[[{'type': 'pie'}, {'type': 'pie'}]])

# Ajouter les graphiques en secteurs dans le subplot
fig.add_trace(payement_method_pie_2.data[0], row=1, col=1)
fig.add_trace(payement_method_pie_1.data[0], row=1, col=2)

# Mettre à jour le layout pour afficher correctement les titres et ajuster le style
fig.update_layout(
    title_text="Répartition du nombre de clients et CA par méthode de payemennt :",
    showlegend=True
)

# Afficher le graphique
fig.show()

fig.write_image("payement_method.png") 

Nous n'allons pas nous attarder ici sur l'analyse exploratoire car l'objectif principal est l'implémentation la segmentation RFM.

SEGMENTATION RFM

#Traitement de la date

df['date'] = pd.to_datetime(df['date'], errors='coerce')
df = df.dropna(subset=['date'])  

# Date de référence pour le calcul de la récence R
ref_date = df['date'].max() + pd.Timedelta(days=1)

#Création de notre table client pour le scoring
rfm = df.groupby('customer_id').agg({
    'date': lambda x: (ref_date - x.max()).days,
    'invoice_id': 'nunique',
    'invoice_total': 'sum'
}).reset_index()

rfm.columns = ['customer_id', 'Recency', 'Frequency', 'Monetary']
rfm.head()

	customer_id	Recency	Frequency	Monetary
0	1	102	5	831.30
1	2	34	4	1840.77
2	3	297	3	136.50
3	4	527	2	349.70
4	5	112	11	2273.00

Dans ce dataframe chaque ligne correspond à un client unique et les métriques de son comportement que nous allons exploiter pour scorer et segmenter de manière efficace. (suite dans le notebbok suivant)

rfm.to_csv("rfm_nextstep_export.csv", index=False, encoding='utf-8-sig')